### 计算AUC的Python函数实现 以下是一个基于排序和梯形面积计算方法的Python函数，用于手动实现AUC（Area Under Curve）的计算。此实现参考了常见的机器学习文献中提到的AUC计算方法[^4]。 ```python def calculate_auc(y_true, y_score): # 将真实标签和预测概率值组合并按预测概率降序排序 combined = list(zip(y_score, y_true)) combined.sort(key=lambda x: x[0], reverse=True) # 初始化变量 tpr = 0 # 真正率 (True Positive Rate) fpr = 0 # 假正率 (False Positive Rate) auc = 0 # AUC值 tp = 0 # 当前真正例数 fp = 0 # 当前假正例数 last_tp = 0 # 上一个真正例数 last_fp = 0 # 上一个假正例数 # 统计正类和负类总数 total_positive = sum(y_true) total_negative = len(y_true) - total_positive for score, label in combined: if label == 1: tp += 1 else: fp += 1 # 当前的TPR和FPR current_tpr = tp / total_positive if total_positive > 0 else 0 current_fpr = fp / total_negative if total_negative > 0 else 0 # 计算梯形面积 auc += (current_fpr - fpr) * (last_tpr + current_tpr) / 2 # 更新上一次的TPR和FPR last_tpr = current_tpr last_fp = fp fpr = current_fpr return auc ``` #### 示例用法 以下是如何使用上述函数计算AUC的示例代码： ```python # 示例数据 y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0] y_score = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.50] # 计算AUC auc_value = calculate_auc(y_true, y_score) print(f"Manually Calculated AUC: {auc_value:.4f}") ``` 此外，如果需要使用现成的库来计算AUC，可以参考`scikit-learn`中的`roc_auc_score`函数[^1]： ```python from sklearn.metrics import roc_auc_score # 使用scikit-learn计算AUC auc_sklearn = roc_auc_score(y_true, y_score) print(f"AUC using scikit-learn: {auc_sklearn:.4f}") ``` ### 注意事项 - 手动实现的AUC函数假设输入的概率值越大，样本越可能属于正类。 - 如果存在多个样本具有相同的预测概率值，该实现会按照排序顺序处理，可能会引入一定的偏差。这种情况下，建议使用更复杂的算法或现成的库函数[^4]。